仪器网

欢迎您: 免费注册 仪器双拼网址:www.yiqi.com
首页-资讯-资料-产品-求购-招标-品牌-展会-行业应用-社区-供应商手机版
官方微信
仪器网资讯中心
仪器网/ 资讯中心/云南天文台采用人工智能卷积神经网络预测日冕全日面软X射线辐射分布

云南天文台采用人工智能卷积神经网络预测日冕全日面软X射线辐射分布

2021-07-27 15:05:31  来源:仪器网整合 浏览量:981次
【导读】该研究团队采用人工智能卷积神经网络,统计分析配对太阳大气成像仪AIA、卫星Hinode的软X射线望远镜XRT的观测数据。

日冕是太阳大气的最外层,从色球边缘向外延伸到几个太阳半径处,甚至更远。分内冕、中冕和外冕,内冕只延伸到离太阳表面约1.3倍太阳半径处;外冕则可达到几个太阳半径,甚至更远。日冕由很稀薄的完全电离的等离子体组成,其中主要是质子、高度电离的离子和高速的自由电子。日冕温度是太阳表面温度的数百倍。

近日,云南天文台利用机器学习方法预测日冕软X射线波段辐射。该研究团队采用人工智能卷积神经网络,统计分析配对太阳大气成像仪AIA、卫星Hinode的软X射线望远镜XRT的观测数据。建立了由AIA 6波段观测至XRT软X射线观测的映射模型。对日冕DEM作更为精确的反演,尤其是针对具有较高温度等离子体(五百万度以上)的日冕特征。

X射线辐射的波段范围是0.01-10nm,其中波长较短的(能量较高)的称为硬X射线,波长较长的(能量较低)称为软X射线。由于天体的X射线是无法到达地面的,因此在人造地球卫星上天以后,天文学家才得到重要的观测成果,X射线天文学才发展起来。

X射线望远镜是为了探测地球大气层以外的源所发射的X射线,并把X射线分辨为一个图象而设计的一种仪器。由于大气吸收,所以X射线望远镜必须用气球、火箭或空间运载工具带到高空。气球运载的探测器用于探测穿透能力较强的(硬的)X射线,而火箭和卫星则用于在更高的高度上探测软的X射线。因为天体X射线源都是远而弱的,这些探测器通常都要有大的集光面积和高的效率,以便在宇宙射线引起的背景上探测到X射线。

在不能用直接成像望远镜获得X射线天体的成像观察时,人们研究了非直接成像望远镜的技术,主要有准直型望远镜和编码孔径成像技术。根据成像方式的不同,X射线望远镜分为非成像望远镜和成像望远镜两类。准直型望远镜是技术最简单的一种非直接成像X射线望远镜,编码孔径望远镜是使用比较广泛的一种非直接成像望远镜。在编码孔径技术中,由于编码方式和码盘的大小可根据观测能量范围的大小而改变,所以得到了广泛的应用。编码孔径望远镜也是最 早用于X射线天文观测的X射线望远镜。

根据成像光学系统的不同,X射线直接成像望远镜分为正入射周期多层膜望远镜、掠入射单层膜望远镜和掠入射非周期多层膜望远镜。两类X射线望远镜相比,非直接成像望远镜的最大优点是在技术条件限制不能用直接成像方法获取图像的情况下,观测高能天体,并且方法简单,但成像质量差,分辨率低,获取图像的过程复杂。而直接成像望远镜的图像质量比前者好。但它的成像光谱范围窄,最高能量仅达几十keV,而前者则可以高达几十MeV。

人工智能卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一 。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类因此也被称为“平移不变人工神经网络。

对卷积神经网络的研究始于二十世纪80至90年代,时间延迟网络和LeNet-5是最 早出现的卷积神经网络;在二十一世纪后,随着深度学习理论的提出和数值计算设备的改进,卷积神经网络得到了快速发展,并被应用于计算机视觉、自然语言处理等领域。

卷积神经网络仿造生物的视知觉机制构建,可以进行监督学习和非监督学习,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征,例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。

卷积神经网络的输入层可以处理多维数据,常见地,一维卷积神经网络的输入层接收一维或二维数组,其中一维数组通常为时间或频谱采样;二维数组可能包含多个通道;二维卷积神经网络的输入层接收二维或三维数组;三维卷积神经网络的输入层接收四维数组。由于卷积神经网络在计算机视觉领域应用较广,因此许多研究在介绍其结构时预先假设了三维输入数据,即平面上的二维像素点和RGB通道。

与其它神经网络算法类似,由于使用梯度下降算法进行学习,卷积神经网络的输入特征需要进行标准化处理。具体地,在将学习数据输入卷积神经网络前,需在通道或时间/频率维对输入数据进行归一化,若输入数据为像素,也可将分布于 的原始像素值归一化至区间。输入特征的标准化有利于提升卷积神经网络的学习效率和表现。

卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层。全连接层位于卷积神经网络隐含层的最后部分,并只向其它全连接层传递信号。特征图在全连接层中会失去空间拓扑结构,被展开为向量并通过激励函数。

按表征学习观点,卷积神经网络中的卷积层和池化层能够对输入数据进行特征提取,全连接层的作用则是对提取的特征进行非线性组合以得到输出,即全连接层本身不被期望具有特征提取能力,而是试图利用现有的高阶特征完成学习目标。

新闻来源:云南天文台



仪器网-专业分析仪器服务平台,实验室仪器设备交易网,仪器行业专业网络宣传媒体。

相关热词:

金相分析仪,油品分析仪,针焰试验仪,液位传感器,土壤测试仪,高效液相色谱仪价格,霉菌试验箱,跌落试验台,离子色谱仪价格,噪声计,集菌仪,接地电阻测试仪型号,柱温箱,旋涡混合仪,电热套,场强仪万能材料试验机价格,洗瓶机,匀浆机,耐候试验箱,熔融指数仪,透射电子显微镜


标签:人工智能卷积神经网络 , 软X射线辐射
随时了解更多仪器资讯,求购、招标、中标信息实时更新,厂商招商信息随时看。大量、齐全、专业的仪器信息尽在仪器网(yiqi.com)。扫一扫关注仪器网官方微信,随时随地查看仪器用户采购、招标需求!
为你精选
最新企业新闻
最新产品文章
热门标签
上海长方光学仪器有限公司